Pseudo R2 和R2 是不一样的，它叫伪R2，取值范围是小于1，出现负值也是正常的

R2在哪里看呀，我的stata结果里只有seudo R2也是负值

stata做TOBIT是不会显示R2的

那请问如果要得到Tobit计算边际效应后的R2该如何做呢？

我也遇到相同情况，请问你解决了么？求赐教！

Concerning the pseudo-R2, we use the formula

        pseudo-R2 = 1 − L1/L0
where L0 and L1 are the constant-only and full model log-likelihoods, respectively.

For discrete distributions, the log likelihood is the log of a probability, so it is always negative (or zero). Thus 0 ≥ L1 ≥ L0, and so 0 ≤ L1/L0 ≤ 1, and so 0 ≤ pseudo-R2 ≤1 for DISCRETE distributions.

For continuous distributions, the log likelihood is the log of a density. Since density functions can be greater than 1 (cf. the normal density at 0), the log likelihood can be positive or negative. Similarly, mixed continuous/discrete likelihoods like tobit can also have a positive log likelihood.

If L1 > 0 and L0 < 0, then L1/L0 < 0, and 1 − L1/L0 > 1.

If L1 > L0 > 0 and then L1/L0 > 1, and 1 − L1/L0 < 0.

Hence, this formula for pseudo-R2 can give answers > 1 or < 0 for continuous or mixed continuous/discrete likelihoods like tobit.

关于伪R2，我们使用公式



伪R2＝1 L1/L0

其中，L0和L1分别是仅常数模型和完全模型日志似然。



对于离散分布，对数似然是概率的对数，所以它总是负的（或零）。因此，对于离散分布，0≥L1≥L0，以及0≤L1/L0≤1，以及0≤伪R2≤1。



对于连续分布，对数似然是密度的对数。由于密度函数可以大于1（参见0处的正常密度），对数似然可以是正的或负的。类似地，像tobit这样的混合连续/离散似然也可以具有正对数似然。



如果L1＞0，L0＜0，则L1/L0＜0，1 L/L1/L0＞1。



L1＞L0＞0，L1/L0＞1，1 L1/L0＜0。



因此，对于连续或混合的连续/离散似然如tobit，伪R2的公式可以给出>1或<0的解。

请问Pseudo R2 小于零怎么解释模型的拟合度呢？

您好，请问这段文字出自哪本教材或文章？

同样求教